作者：NewBeeNLP
本文约3500字，建议阅读10分钟
本文作者与你分享吴恩达课中最值得记住的10个AI观，希望能让你学到些东西。
写在前面
[ 导读 ]在这个h R s 6 2 c 4人机共存的年代，每个人都应该去尝试V { ? K r K )了解| ^ ; o p o O r |并运用人工智慧这个超能力，思考自己未来在这个变化快速的世界的定位。
曾经领导Google Brain的吴恩达教授公开的Coursera课程：AI For Everyone[1]非常有意义。这堂课不谈技术术语，专注在与非技术人士以及企e U w @ o , ^ N n业经理人说明。
- 何谓AI；
- 如何建立AI项目；
- 如何在企业内部建立AI基础；
- AI与社会的关系。
课程内容精要，总结了不4 L 6 { t少他多年在Google Brain、百度里领导AI团队所累积的宝贵经验。这堂课也提到了不少AI Transformation Playbook[2] 里头的内容。
虽然课程中很多时候是以Cz A 3 b ` hEO或是企业管理者的角度说明AI概念，但我认为每个人都可以用个人角度，从本课学到不少有用的建议以及思考框架。有了这些概念，可以帮助我们在这个变化快速的AI潮流中掌握好自己手上的船舵并顺利航行。
本文将列举出我认为本课中最值得Y v ! !记住的10个AI观，希望能让你学到些东西。
这篇文章中的g : Y R不少概念是我自己的心得总结，而你在上完课后肯定会有其他重^ ; C A U s &要见解。事实上，我会推荐你在阅读本文后就找时间实际去上R l # c z 5 5 J这堂课，或是通v e p u B T = [ T过其他方式进一步了解AI。
30秒AI大局观
以下就是10 个我认为AI For Everyone 这堂课传达的重要观念懒人包。如果你一秒钟几十万上下，可以只看这节就好：
1. 讲到AI，我们通常是指狭义AI而非通用AI。
2. 多数AI应用是让机器学会一个对应关系。
3. 大数据、神经网络及运算能力是AI成功关键。
4. 只需花费你1秒的任务，大都可由AI自动化。
5. 对AI的态度不应过度乐观，但也不必太悲观。
6. AI偏见难解，但或许比消除人类偏见简单。
7. 拥抱AI的最好方法是将其与领域专业结合。
8. 机器学习和资料科学的产出分别是系统和洞见。
9. AI时代，你得思考未来自己想要扮演的角色。
10. 终身学习在这个年代前所未有的重要。
是的，既然是AI For E= ( 8 2 Mveryone，自然没有什么特别深入的内容。但就像吴恩达8 4 j教授在课程里头所说的，我c p相信这些基本的核心思想可以引导我们在这个AI时8 H A代更有方向且顺利地前进。
本文接着会搭配课程PPT，针对上面提到的一7 i 0 v ^ { 0 _ =些概念做点简单的补充说明，供你参考。
AI For Everyone
1. 讲到AI，我们通常是指狭义AI而非通用AI。
现在媒体整天报导的人工智能（Artificial Intelligence, AI）应用如：
- 智慧音响；
- 自动驾驶；
- 人脸辨识；
- 图像分类；
- 推荐系统；
- 机器翻译。
背后皆是狭义的AI（Artificial Narrow Intelligence, ANI）。
尽管很多AI应用的表现甚至已经比人类还优秀，这些AI基本上都专注在完成“特定”的任务；这跟科幻电影如魔鬼终结者里` Y b ( n N头，能跟人类以一样的方式思考并做“任何”事情的通a G 5用AI（Artificial General Intel} o J y ligeb P I e { Lnce, AGI）r % y H 3 V 2 t是有很大差异的A , C j。
尽管开发出AGI是很多研究者的终极梦想，但事实上现行的科技离实现AGI还有好一段距离。
2. 多数AI应S . W q K m + v用是让机器学会一个对应关系。
大部分的机器学习以及AI应用本质上都是让电脑学会一个映射函k Q * _ w数（Mapping! 8 ! Function），帮我们将输入的数据A4 v F R 9 ,对应到理想的输出B：
- 邮件分类：电子邮件->2 ? E & 5 是否为垃圾邮件
- 语音辨识：音讯档案->文本
- 机器翻译：英文文本->中文文本
要实现这种AI应用，最常被使用的方法是监督式学习（Supervised Learning）：给予机器大量的成对数据，告诉它什么样的A要对应到什么样的B，并让机器最后自a u b J己学会如何将任意的A转换成理} s i想的B，达到自动化的目的。
3. 大数据、神经网络及2 I Z I M 5运算能力是AI成功关键。
要实现能帮助人类做复杂判断的AI技术有很多种，但近年真正让AI大红大紫的是深度学习（Deep Learningw L * Q）以及| s ] n o 7人工神经网络（Artificial Neural Network）。
值得一提的是，你或许常听到“神经网络跟人脑运作方式相同”的这种说法，但事实上如果你问相关人士对这种意I 9 | H q ;见的看法的话，得到的答案常常是“两者天 % T f & u m { $差地远”。
尽管神经网络的运作方式跟我们神奇的大脑不完全一致，搭配H e Q f C d [ J F大量数据W j J s [ y c @ 5以及 k g ? ! J } 1前面提到的监督式学习，越大的神经网络通常可以在特定任务有越好的表现。
虽然这样的现象令人振奋，但别忘记：
- 大型神经网络的运作；
- 大量数据a _ = m ? 9 : Z T的处理。
这两件事情都意味着需要更大量的电脑= ! u # ; B t X ]运算能力。而很多时候一般人是没有这样的运算资源的。
值得庆幸的是，很多以深度学` C V 7 x p 8 O p习为基础的AI常常有个很好的特性：通过迁移学习l | b u k ` 8 y j（TraJ = % % ! O 7 ;nsfer Learning），我们能将事先已经用大量计算资源做训练，并在任务A表现优异的AI做些简单修改，就能让修改过后的AI\'能在相似的任务B也表现不错。
这时候就算你只有少量数据以及不多的计算资源，也能利用AI完成以往难以想像的任务。
4. 只需花费你1秒的任务，（未来）大都可由AI自动化。
这项概念是吴恩达教授在课程里所提到的“一秒原则”，可以让你用来判断一个任务是否能用AI做自动化的准则。
通过监督式学习以及大量成对A&B数据，我们可以让很多以往被认为非常复杂，但人脑仅需1秒钟就能解决的任务通过AI来自动化，让我们的生活更加轻松。
当然，这个简化的原则并不是放诸四海皆准，但可以作为一个w w G g ` - y 8 V不错的参考基准。
5. 对AI的态度不应过度乐观，但也不必太悲观。
尽管我们已经清楚现代AI的威力，仍需注意AI并不是万能药，无法（完美地）解决或自动化所有人类的问题。
比方说有研究尝试把自然语言转成SQL，& A A S X K `但短期内一个Z _ V数据科学家自己写SQL查询数据可能还是比较有效率。尽管AI不* W B m q U E B C能（完美地）做到任何, X G F M 8事情，我们也不该对A& ] u V R gI失望，断定下一个AI冬天必定会到来。
现在可以肯定的是AI已经，而且也会继续改变我们未来以及下一代的生活形态。
最重要的是理性地理解AI能做到什么，在能活用d M 4 : P c Q r S的时候善加利用它，同时不抱着“AI能解决所有问题”的不切实际幻想。
6. AI偏见难解，但或许比消除人类偏见简单。
在利用监督式学习的方式训练AI的时候，我们常常会使用现C 0 F v实世界的数据让机器学习。
好消息是因为现在数位化以及网际网络的发达，s 0 f a @ h我们有非常多数据可以交给AI学习；坏消息是这些数据时常反映了人类数十年甚至几个世纪的偏见。
用这些数据训练出来的AI系统就像是X : + S N o f & T面照妖w X x G $ d ; % D镜，也会不可避免地学会这些偏见（Bix Q h ~ l & 4as）。
知名的例子有：
- 以白人照片训练出I & k [来的人脸辨识系统在辨识深色肤色的人种时表现很差；
- 自动化雇用的AI系统对女性存有偏见；
- 银行的自动信用评比AI系统对某些族群产生偏见。
以下则是另一个O M 2 5课堂中提出的例子：
上例或许称不上歧视，但很明g m q y [ : x显是偏见，一种长久存在于人类社会的性别偏见& ~ n - g P o p b。
因为很多时候这些AI系统是学习一种统计关系，因此在此例@ ~ a E d中，AI只是忠诚地呈现我f Y ? L b们社会的用字习惯罢了。
要消除AI的这些偏见并不容易，n + V u p f q T Z但仔细想想，这可能比消除人们脑中数十年的偏见要来的简单，W b ~ 4 而且振奋人心。这件事情当然不简单I Y h V : ^ ` .，但却非4 J S v t $ d L z常值得一试。
当然，你可以选择不思考这些AI伦理、偏见问题，相信建立AI系统的这些w r @ K r : e 7 ^工程师们立意良善以及够细心，能帮我们将/ ] a ,AI系统里的偏见移除，并让其做出最合适的判断。
尽管如此，意识到再厉害的AI系统内部也可能存在如同人类的偏见，进而导致各种不公平的社会问题这件事情也是很r 6 8 + p ~ k有帮助的。
7. 拥抱AI的最好方法是将其与领域专业结合。
想要学习AI，不需要打掉重练。虽然现在AI相关领域十分热门，究其根本也就只是一种: R 6 0 = & q V /工具/技I O S ) R ( ~术。而且A9 3 V u D { $ A vI技术接下来会越来越平民化，上手的门槛会越来越低。
因此比起现在转行当AI工程师，你要先做的应该是想办法利用自己工作累积的领域知识（Domain Knowledge）以及洞见~ V 7 J 5 e ` *（InsiV V ! x 7 x ^ 9ght），找出能应用AI改善的地g B {方，进而创造出专属于你或企业的竞争优势。
8. 机器学习和数据科学的产^ p n 出分别是系统和洞见。
机器学习（Machine Learning, ML）以及数据科学（Data Science, DS）这两个词汇常常Y J j 8 / K ^结伴出现，且依照不同企业其定义都有所s | D c不同。因此，不在这块领域里的人常常不知道两者的差异。
一般来说，在企业内的ML项目大都分为3个阶段：
- 收集数据；
- 训练模型；
- 部署模型。
而DS项目0 x / p x Z c 0的步骤则为：
- 收集数据；
- 分析数据；
- 建议行动/假说。
两者皆需原始数B 9 r { ^据作为输入，且皆有机会使用AI/ ML技术来解决、分析问题/ R A ! 1 Q c，但最终的产出形式时常不同。
总结来说，ML项目较注重在软件工程方面，且最终希望产出一个以AI为基础的线上系统；DS项目的结果则可能是一. w a [ b ,份帮助经营者做重大投资决策的PPw Q ( 9 !T报告。
9. AI时代，你得思考未来自己想要扮演的角色。
AI目前正是显学，不少人决定进入这7 *块领域，而现在跟AI相关的职业就有好多种，/ ^ D [ Z * @ L b比方O 2 ! x U O P { h说：
- 数据科学家E w I；
- 机器学习工程师；
- 机器学习研究者；
- 软件工程师；
- 数据工程师；
- AI项目管理者。
等等。而{ W Q _且随着AI的影响力持续扩大: : D $ % a B N n，未来可能还会出现新的相~ p p E p关职业。我们在这边不会一一列出每个X 9 v H K职业的工作内容。
10. 终身学习在这个年代前所未有重要。
如同课程中吴恩达教授所说的，你并不需要取得E n M H O ( O ?一个AI master才能开始进行AI项目。很多时候利e u u !用2 C Q V C H线上课程或是网络上的深度学习资源V z h ,就可以开始你的第一个AI/ x e f O项目了X 1 E % , x 0。
事实上，学习AI For Everyone这堂课就是一个不错的开始。网络上也有很多优质的博客或教学文章等待你的探索。
AI领域近年发展神速，要学习AI，用上一R O 6 m 0 K s 代“读几年书，出来用一辈子”的概念是行不通的。台大电机系9 d ) ` ; ~ W s的李宏毅教授就曾说过：“在深度学习的领域，超过五年就是远古时j s /代了！”
因此如果你决定踏上学习AI的这条路，就做好跟我一起终身学习的心a Q X q $ :理准备吧！
结语
看 N l o ] * U到这里，相信你已经了解AI For Everyone里头10 个最重要的概念了，恭喜！
这些概念大多是我将课程里头撷取出的核心概念，佐以自己的心得感想。希望阅读完此文的你有学到点东西，或是W U H # 6 z x *获得些启发。
参考资料：
[1] AI For Everyone) { b 2 ): hm M [ Rttps://www.coursera.org/learn/as # S R u Q P N Ni-for-everyone
[2] AI Transformation Playbook: https://landing.ai/ai-transformation-playbook/
编辑：黄继彦
校对：谭佳瑶
—完—
关注清华-青岛数据科学研究院官方微信公众平台“ AI数据派 ”及姊妹号“ 数据派THU ”获取更多讲座福利及优质内容。